100K Linhas de Rust com IA: Contratos, Desenvolvimento Orientado por Especificações e Performance

Cheng Huang passou cerca de 6 semanas construindo um motor de consenso multi-Paxos em Rust, projetado para modernizar a Replicated State Library (RSL) do Azure. O projeto envolveu mais de 130 mil linhas de código Rust (~100 mil escritas em 4 semanas por agentes de IA, mais 3 semanas de otimização) e alcançou um salto de throughput de 23 mil para 300 mil operações por segundo.

Huang usou vários agentes de codificação de IA: GitHub Copilot, Claude Code, Codex CLI, Augment Code, Kiro e Trae. Sua configuração principal agora é Claude Code + Codex CLI no terminal, com VS Code apenas para diffs e pequenas edições. Ele mantém duas assinaturas do ChatGPT para lidar com limites de taxa (uma de segunda a quarta, outra de quinta a domingo).

Contratos de Código — Escritos por IA

A estratégia central de correção: contratos de código gerados por IA que especificam pré-condições, pós-condições e invariantes para funções críticas, convertidos em asserts em tempo de execução durante os testes. Huang descobriu que o GPT-5 High escreve excelentes contratos; Opus 4.1 é bom, mas requer mais revisão. Por exemplo, o método process_2a (que lida com mensagens da fase 2a do Paxos) tem 16 contratos. Os contratos são então usados para gerar casos de teste direcionados e testes baseados em propriedades que exploram entradas aleatórias — um contrato capturou uma violação sutil de segurança do Paxos que poderia ter causado problemas de consistência na replicação.

Desenvolvimento Leve Orientado por Especificação

Huang inicialmente tentou uma abordagem rígida orientada por especificação: markdown de requisitos → markdown de design → markdown de lista de tarefas. Ele achou muito inflexível para mudanças iterativas. Agora ele usa uma abordagem SDD mais leve: comece com uma especificação concisa, deixe a IA gerar código, depois refine contratos e testes iterativamente. O sistema completo inclui mais de 1.300 testes abrangendo testes unitários, de integração e de injeção de falhas em múltiplas réplicas.

Otimização de Desempenho

A fase de otimização (3 semanas) aumentou o throughput de 23 mil para 300 mil operações/seg. Principais mudanças arquiteturais: adição de pipelining (as solicitações não esperam mais por votos em andamento), suporte para memória não volátil (NVM) para reduzir o tempo de commit e consciência RDMA para hardware moderno de datacenter Azure.

Próximos Passos

Huang deseja melhor suporte de IA para geração de testes baseados em propriedades a partir de contratos e tratamento mais integrado de mudanças disruptivas em bases de código acima de 100 mil linhas.